本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

Nov, 2022

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

本文关注如何提高 5G 手机上基于联邦学习的机器学习的能效，探讨了图形处理单元计算和无线传输的能耗模型，以及梯度稀疏化、权重量化、修剪等多种能效学习技术，最终指出了未来几个研究方向。

Jan, 2021

本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

Sep, 2019

通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

Aug, 2023

利用轻量级完全连接的深度神经网络，本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用，以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架，我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性，同时减少了复杂深度学习模型带来的能源和资源消耗，从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE，而在 Arduino Uno 平台上进行训练和推断时，模型几乎没有能源开销，只有 50 mWh。

Apr, 2024

本篇论文探讨了机器学习在 5G 边缘计算中的应用，阐述了不断训练模型以适应变化场景的必要性，并提出了使用注意力机制的联邦学习模式是有效处理数据分布的方法。

Nov, 2021

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

本论文提出了一种新的框架，用于分布式和联邦学习（FL）的能源和碳足迹分析，研究了完全分散方法和共识方法的能源足迹和碳排放。这个框架量化了基于连续改进的学习三个环节的能源消耗，使用了两个 5G 行业垂直的案例对其进行了分析，结果表明能源消耗和测试准确度应该通过模型和数据足迹来平衡。

Jun, 2022

提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

Feb, 2020